GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: победитель зависит от задачи

Практический вывод проще: выбирать стоит не «самую умную модель вообще», а первую модель для проверки под конкретную задачу — терминал, GitHub-issues, веб-поиск, длинный мультимодальный ввод или массовые API-вызовы.

Коротко: кого тестировать первым

• Терминальные coding-агенты — GPT-5.5. OpenAI заявляет 82,7 % в Terminal-Bench 2.0; в публичных сравнениях Claude Opus 4.7 указан с 69,4 %, а Kimi K2.6 — с 66,7 % .
• Ремонт кода и реальные GitHub-issues — Claude Opus 4.7. Для него опубликованы 64,3 % в SWE-Bench Pro и 87,6 % в SWE-Bench Verified; показатель GPT-5.5 в SWE-Bench Pro — 58,6 % .
• Браузинг и веб-поиск — GPT-5.5. В BrowseComp для GPT-5.5 указано 84,4 %, для Claude Opus 4.7 — 79,3 % .
• Длинный мультимодальный контекст — Kimi K2.6. Модель описывается как поддерживающая текст, изображения, видео и 256k-контекстный маршрут .
• Дешёвые массовые вызовы API — DeepSeek V4. Mashable приводит цены $1,74 за 1 млн входных и $3,48 за 1 млн выходных токенов против $5/$30 у GPT-5.5 и $5/$25 у Claude Opus 4.7; но отчёты о высоком hallucination rate нужно учитывать заранее .

Сводная таблица бенчмарков

— означает не ноль и не провал модели, а отсутствие в предоставленных публичных источниках напрямую сопоставимого значения для этой строки.

GPT-5.5: сильный кандидат для терминальных агентов

OpenAI описывает Terminal-Bench 2.0 как проверку сложных workflows в командной строке, где нужны планирование, итерации и координация инструментов; в этом тесте GPT-5.5 набирает 82,7 % . В SWE-Bench Pro, который оценивает решение реальных GitHub-issues, OpenAI указывает для GPT-5.5 58,6 % .

Из этого следует понятный сценарий применения: GPT-5.5 стоит первым запускать там, где модель должна долго работать в терминале — воспроизводить CI-ошибки, выполнять shell-команды, менять файлы, запускать тесты и исправлять результат по итерациям. Но это не значит, что GPT-5.5 автоматически лучший кодер во всех режимах: в SWE-Bench Pro Claude Opus 4.7 показывает 64,3 %, то есть выше, чем 58,6 % у GPT-5.5 .

Claude Opus 4.7: сильнее в код-ремонте и проверочных задачах

Claude Opus 4.7 особенно заметен в SWE-Bench-линейке: 64,3 % в SWE-Bench Pro и 87,6 % в SWE-Bench Verified . DataCamp также отмечает, что Opus 4.7 оценивали на 14 бенчмарках, охватывающих coding, reasoning, tool use, computer use и visual reasoning .

В прямых публичных сравнениях с GPT-5.5 Claude Opus 4.7 чуть впереди в GPQA Diamond — 94,2 % против 93,6 % — и заметно впереди в MCP Atlas — 79,1 % против 75,3 % . Зато в Terminal-Bench 2.0 и BrowseComp опубликованные значения выше у GPT-5.5 . Поэтому более точная формулировка такая: Claude Opus 4.7 — сильный первый кандидат для ремонта кода, ревизии решений и tool-heavy workflows, но не безусловный победитель во всех агентных сценариях.

Kimi K2.6: интересен длинным мультимодальным вводом, но цифры надо сверять

Для Kimi K2.6 опубликованы 58,6 % в SWE-Bench Pro и 80,2 % в SWE-Bench Verified; отдельный обзор также приводит 66,7 % в Terminal-Bench 2.0 и 54,0 % в HLE with tools . Важно, что источник по Kimi связывает эти числа с официальной модельной картой Moonshot AI и отдельно помечает SWE-Bench Pro как Moonshot in-house harness .

Поэтому одинаковые 58,6 % у Kimi K2.6 и GPT-5.5 в SWE-Bench Pro не стоит автоматически читать как идеальную ничью в одном и том же эксперименте . Зато у Kimi есть другой явный повод попасть в шорт-лист: модель описывается как поддерживающая текст, изображения, видео и 256k-контекстный маршрут . Если продукт работает с длинными документами, скриншотами, видеофрагментами или смешанным контентом, Kimi K2.6 стоит проверять отдельно.

DeepSeek V4: сильный ценовой аргумент, но нужен контроль качества

В строках Terminal-Bench, SWE-Bench Pro, SWE-Bench Verified и GPQA Diamond для DeepSeek V4 в этой подборке остаётся пробел: предоставленные источники не дают достаточно прямых, сопоставимых значений по тем же бенчмаркам . Зато есть другие сигналы. Artificial Analysis сообщает, что DeepSeek V4 Pro Max получил −10 в AA-Omniscience, улучшившись на 11 пунктов относительно V3.2, а V4 Flash Max получил −23 . Тот же источник указывает очень высокий hallucination rate: 94 % для V4 Pro и 96 % для V4 Flash, то есть модель, по этой оценке, почти всегда отвечает даже тогда, когда не знает ответа .

Архитектурно DeepSeek V4 тоже заслуживает внимания. DataCamp описывает его как Mixture of Experts: Pro-модель имеет 1,6 трлн параметров всего и 49 млрд активных, Flash-модель — 284 млрд всего и 13 млрд активных . По цене DeepSeek V4 выглядит особенно агрессивно: Mashable приводит $1,74 за 1 млн входных и $3,48 за 1 млн выходных токенов, тогда как GPT-5.5 указан с $5/$30, а Claude Opus 4.7 — с $5/$25 за 1 млн токенов .

Вывод: DeepSeek V4 может быть разумным кандидатом для массовых, чувствительных к цене задач, особенно если ответы можно проверять автоматически или пропускать через постобработку. Для критичных продуктов — юридических, финансовых, медицинских, инженерных — его стоит оценивать только с собственным набором тестов, фильтрами ошибок и явной стратегией обнаружения галлюцинаций .

Практический выбор по сценариям

Почему общего победителя пока лучше не объявлять

Во-первых, нет достаточного набора независимых тестов, где все четыре модели прогоняются с одинаковыми промптами, одинаковым доступом к инструментам, одинаковым reasoning budget и одним и тем же оценщиком. Даже сравнение GPT-5.5 и Claude Opus 4.7, где общих данных больше, один обзор описывает как сопоставимое по форме, но не по методологии: Claude ведёт в 6 из 10 общих бенчмарков, GPT-5.5 — в 4, а лидерство распределяется по категориям .

Во-вторых, одинаковое название бенчмарка не гарантирует одинаковую процедуру. Anthropic, например, уточняет, что для Terminal-Bench 2.0 использовался Terminus-2 harness с отключённым thinking и заданными ресурсными условиями . Для Kimi K2.6, как уже отмечалось, часть чисел идёт из модельной карты и in-house harness .

В-третьих, бенчмарк — это снимок, а не готовый SLA для продукта. В реальной интеграции важны не только проценты: нужны latency, стоимость, стабильность tool-calls, воспроизводимость логов, политика безопасности, способ отказа и частота уверенных неправильных ответов. ExplainX прямо предупреждает, что определения лидербордов, промпты и политики инструментов могут двигать оценки, поэтому такие таблицы не заменяют собственный eval harness .

Итог

Если нужен короткий рабочий шорт-лист, он выглядит так: GPT-5.5 — для терминальных агентных coding-задач, Claude Opus 4.7 — для ремонта кода и SWE-Bench-подобных workflows, Kimi K2.6 — для длинного мультимодального контекста, DeepSeek V4 — для дешёвых массовых вызовов с обязательной проверкой качества .

Но «лучшей модели вообще» по этим данным нет. Публичные цифры зависят от промптов, инструментов, reasoning-настроек и тестового стенда, поэтому перед внедрением всё равно нужен собственный набор задач, максимально похожий на ваш продукт .